La acción faExtract extrae factores comunes de una tabla de entrada utilizando diversos métodos de análisis factorial. Esta técnica es fundamental en el análisis multivariante para la reducción de la dimensionalidad, permitiendo identificar estructuras latentes (factores) que explican las correlaciones entre un conjunto de variables observadas. Admite métodos como Componentes Principales, Máxima Verosimilitud y Mínimos Cuadrados no Ponderados, así como diversas rotaciones ortogonales y oblicuas.
| Parámetro | Descripción |
|---|---|
| table | Especifica la tabla de entrada que contiene los datos para el análisis. Puede incluir opciones como 'groupBy' para análisis por grupos. |
| nFactors | Parámetro obligatorio. Especifica el número de factores que se deben extraer. Puede ser una lista de enteros si se utiliza procesamiento por grupos (BY groups). |
| method | Especifica el método de extracción de factores. Los valores comunes incluyen 'PRINCIPAL' (Componentes Principales, por defecto), 'ML' (Máxima Verosimilitud) y 'ULS' (Mínimos Cuadrados no Ponderados). |
| rotate | Especifica el método de rotación para facilitar la interpretación de los factores. Incluye opciones ortogonales como 'VARIMAX' y oblicuas como 'PROMAX' u 'OBLIMIN'. |
| priors | Define el método para calcular las estimaciones de comunalidad a priori. Por defecto es 'SMC' (Correlación Múltiple al Cuadrado). |
| fuzz | Establece un umbral mínimo para imprimir correlaciones y cargas factoriales. Los valores absolutos menores que este umbral se tratan como faltantes en la salida. |
Carga el conjunto de datos 'cars' disponible en el sistema para realizar el análisis factorial sobre características numéricas de vehículos.
| 1 | |
| 2 | PROC CAS; |
| 3 | upload path="https://support.sas.com/documentation/onlinedoc/viya/exampledatasets/cars.csv" casout={name="cars", caslib="casuser", replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
Realiza un análisis factorial simple utilizando el método de componentes principales (por defecto) para extraer 2 factores de variables numéricas seleccionadas.
| 1 | |
| 2 | PROC CAS; |
| 3 | factorAnalysis.faExtract / TABLE={name="cars", caslib="casuser"} inputs={"MSRP", "EngineSize", "Cylinders", "Horsepower", "MPG_City", "MPG_Highway"} nFactors={2}; |
| 4 | |
| 5 | RUN; |
| 6 |
Ejecuta una extracción de 3 factores utilizando el método de Máxima Verosimilitud ('ML'), con estimaciones de comunalidad a priori basadas en la correlación múltiple al cuadrado ('SMC') y aplicando una rotación ortogonal 'VARIMAX' para mejorar la interpretabilidad.
| 1 | |
| 2 | PROC CAS; |
| 3 | factorAnalysis.faExtract / TABLE={name="cars", caslib="casuser"} inputs={"MSRP", "EngineSize", "Cylinders", "Horsepower", "MPG_City", "MPG_Highway", "Weight", "Wheelbase"} nFactors={3} method={name="ML"} priors={type="SMC"} rotate={type="VARIMAX"} display={names={"Eigenvalues", "FactorPattern", "RotatedFactorPattern"}}; |
| 4 | |
| 5 | RUN; |
| 6 |